具有因果感知能力的表格 GAN 与强化学习

arXiv:2510.24046v2 公告类型：替换 摘要：现有的表格数据生成方法主要关注匹配真实数据与合成数据之间的统计分布，往往忽视对潜在因果关系的保持。因此，生成的样本可能看起来很真实，却无法维持可靠下游分析所需的因果结构。我们提出 CA-GAN，一种面向因果关系感知的表格数据合成生成框架，将因果知识显式融入训练和生成过程。CA-GAN 首先从真实数据中提取因果图，以提供结构先验知识；随后采用图条件化的 Conditional WGAN-GP，其中的子生成器依据变量之间的因果依赖关系对变量进行建模。更重要的是，我们引入了一种基于强化学习的目标函数，将真实数据与合成数据之间的因果图差异作为奖励信号，使因果一致性在训练过程中成为明确的优化目标，而不再是采样顺序所隐含产生的结果。在 14 个合成数据集和真实世界数据集上的大量实验表明，CA-GAN 在因果关系保持方面始终优于七种先进基线方法，同时实现了较强的下游应用效用、隐私保护能力和数据质量。这些结果表明，CA-GAN 为生成高质量合成表格数据提供了一种有效且实用的解决方案，能够更好地遵循潜在的因果机制。